机械振源数估计的四线性平行因子方法研究

针对三线性平行因子模型在机械振源数盲估计方法中存在的不足,即由于维度的限制只能对振动信号的部分信息建模,信号中的时间序列信息被忽略。将三线性平行因子的机械振源数估计方法扩展至四维,提出一种基于四线性平行因子的机械振源数估计方法。所提出的方法中,在三维的基础上增加了第四个维度(时间维),利用四线性交替最小二乘法迭代更新载荷矩阵,用核一致诊断法估计振源数。提出的方法既继承了三线性平行因子的独特优势,同时,又包含了更完整的振动信号的信息。相比三线性平行因子机械振源数估计方法,同组分数条件下四线性平行因子比三线性平行因子得到的核一致值更高,估计更加准确。仿真结果表明,提出的方法优于三线性平行因子机械振源数估计方法。实验结果进一步验证了提出的方法的有效性。

EEMD-四线性平行因子的机械多故障欠定盲分离方法

将四线性平行因子和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合,提出基于EEMD的四线性平行因子欠定盲源分离方法。在所提出的方法中,利用EEMD方法分解观测信号,得到各子信号分量,然后选择有效的相关子分量信号并将相关子分量信号与原观测信号进行重新组合,得到新的观测信号,解决欠定盲分离问题。然后,将新观测信号利用四线性交替最小二乘法迭代(Quadrilinear Alternating Least Squares,QALS)进行拟合得到载荷矩阵估计和混合矩阵估计,用最短路径法得到源信号的估计。仿真和实验结果验证了所提方法的有效性。

基于四线性平行因子的机械故障盲分离方法

针对传统的机械故障诊断盲分离方法需要添加工程应用中较难满足的约束和限制条件的不足,在三线性分解理论的基础上,提出了一种基于四线性平行因子的机械故障盲分离方法。该方法充分利用了平行因子在宽松条件下分解具有唯一性的特点,在三维平行因子的基础上增加了第4个维度,使得所建模型数据包容度更大,包含信息量更加丰富。并且该方法利用四线性交替最小二乘法迭代,相比于传统的三线性交替最小二乘法迭代,该方法迭代更加平稳,收敛性更好。仿真和实验结果一致证明了提出的方法的有效性。